OpenAI
o4-mini 评测成绩
来自 6 个来源、10 项基准的 19 条成绩。
其他名称: o4-mini-2025-04-16_medium · o4-mini (medium) · o4-mini-2025-04-16_low · o4-mini (low) · o4-mini-2025-04-16_high · o4-mini (high) · o4-mini (high) (April 2025) · o4-mini (medium) (April 2025) · PatchPilot-v1.1 · o4-mini-20250416
全部评测成绩
| 基准 | 分数 | 名次 | 设定 | 来源类型 | 日期 |
|---|---|---|---|---|---|
| LMArena Text | 1391 | 172 | Overall, style control on; 44858 votes; 95% CI 1387–1395“o4-mini-2025-04-16” | 官方榜单 | 2026年10月8日 |
| LMArena Vision | 1201 | 83 | Overall, style control on; 41340 votes; 95% CI 1194–1208“o4-mini-2025-04-16” | 官方榜单 | 2026年10月2日 |
| LiveCodeBench | 75.8% | 1 | Code generation, 182 problems dated 2025-01-01…2025-04-07“O4-Mini (High)” | 官方榜单 | 2025年4月7日 |
| GPQA Diamond | 79.6% | 118 | Epoch AI run, accuracy; effort: high | 独立评测 | 2025年4月16日 |
| GPQA Diamond | 77.8% | 125 | Epoch AI run, accuracy; effort: medium | 独立评测 | 2026年8月7日 |
| GPQA Diamond | 75.3% | 141 | Epoch AI run, accuracy; effort: low | 独立评测 | 2026年7月11日 |
| SWE-bench Verified | 64.6% | 40 | agent: PatchPilot-v1.1 | 官方榜单 | 2025年5月3日 |
| SWE-bench Verified | 45.0% | 73 | agent: mini-SWE-agent“o4-mini-20250416” | 官方榜单 | 2025年7月26日 |
| AIME (OTIS Mock AIME 2024–2025) | 81.7% | 107 | Epoch AI run, OTIS Mock AIME 2024–2025; effort: high | 独立评测 | 2025年4月16日 |
| AIME (OTIS Mock AIME 2024–2025) | 73.3% | 120 | Epoch AI run, OTIS Mock AIME 2024–2025; effort: medium | 独立评测 | 2026年8月7日 |
| AIME (OTIS Mock AIME 2024–2025) | 57.8% | 152 | Epoch AI run, OTIS Mock AIME 2024–2025; effort: low | 独立评测 | 2026年7月13日 |
| MATH Level 5 | 97.8% | 4 | Epoch AI run, accuracy; effort: high | 独立评测 | 2025年4月16日 |
| Humanity's Last Exam | 18.1% | 26 | Compiled by Epoch AI; effort: high | 第三方汇编 via Epoch AI | 2025年4月16日 |
| Humanity's Last Exam | 14.3% | 28 | Compiled by Epoch AI; effort: medium | 第三方汇编 via Epoch AI | 2025年4月16日 |
| τ²-bench | 52.1% | 23 | airline domain, pass^1; submitted by Sierra; v0.1.3 | 官方榜单 | 2025年6月9日 |
| τ²-bench | 68.3% | 25 | retail domain, pass^1; submitted by Sierra; v0.1.3 | 官方榜单 | 2025年6月9日 |
| τ²-bench | 50.2% | 18 | telecom domain, pass^1; submitted by Sierra; v0.1.3 | 官方榜单 | 2025年6月9日 |
| BFCL v4 (function calling) | 53.2% | 21 | Overall accuracy; native function calling (FC)“o4-mini-2025-04-16 (FC)” | 官方榜单 | 2026年10月17日 |
| BFCL v4 (function calling) | 50.3% | 28 | Overall accuracy; prompt-based“o4-mini-2025-04-16 (Prompt)” | 官方榜单 | 2026年10月17日 |
常见问题
o4-mini 的这些评测分数来自哪里？
来自 Epoch AI Benchmarking Hub、Berkeley Function Calling Leaderboard (BFCL)、LiveCodeBench leaderboard、LMArena leaderboard dataset、SWE-bench leaderboards (swebench.com)和τ²-bench leaderboard submissions。每一行都链接到原始榜单、数据集或报告，厂商自报的分数单独标注。